Los investigadores de la Universidad de Canterbury en Christchurch, Nueva Zelanda, se sintieron motivados para desarrollar un sistema de alerta en tiempo real que utiliza el aprendizaje automático después de que la erupción volcánica de la Isla Blanca en Nueva Zelanda en 2019 mató a 22 personas.
Crédito: Unsplash
Hay alrededor de 500 volcanes en todo el mundo que podrían entrar en erupción mientras más de 500 millones de personas viven cerca de un volcán, según Active Volcanoes of the World, una serie de libros de la Asociación Internacional de Vulcanología y Química del Interior de la Tierra (IAVCEI). Sin embargo, predecir las erupciones puede ser difícil, ya que el comportamiento de muchos volcanes aún no se comprende bien.
Además, desarrollar predicciones puede ser un proceso lento, ya que normalmente implica llegar a un consenso de expertos que interpretan datos en tiempo real de cámaras y sensores. «Se necesita mucho tiempo para reunir a la gente en una sala y lograr que estén de acuerdo», dice David Dempsey, profesor titular del Departamento de Ingeniería de Recursos Civiles y Naturales de la Universidad de Canterbury en Christchurch, Nueva Zelanda.
Ahora se está explorando el aprendizaje automático para desarrollar formas alternativas de pronosticar erupciones. Un sistema automatizado podría analizar constantemente los datos entrantes, acelerando el proceso. Y aunque los expertos suelen buscar signos particulares de una erupción en función de la experiencia previa, el aprendizaje automático podría descubrir nuevos indicadores. «Lo bueno de un enfoque de aprendizaje automático es que es bastante despiadado», dice Dempsey. «Simplemente mira todas las señales y dice, ‘estas son convincentes desde el punto de vista estadístico, ocurren con más frecuencia antes de las erupciones que durante los períodos no eruptivos'».
Dempsey y su equipo estaban motivados para desarrollar un sistema de alerta en tiempo real que utiliza el aprendizaje automático después de la erupción volcánica de la Isla Blanca en Nueva Zelanda en 2019 que mató a 22 personas. Un sistema basado en humanos que se utiliza actualmente para esa área proporciona un nivel de alerta, que varía de 0 a 5 según el grado de malestar, que se actualiza cada pocas semanas o meses. Antes de la erupción de 2019, el nivel de alerta indicaba que el volcán estaba en su estado más peligroso, pero muchos operadores turísticos aún se arriesgaron y llevaron turistas al sitio. Dempsey cree que un sistema automatizado podría ayudar a respaldar los métodos existentes. «Básicamente, le proporcionaría comentarios en tiempo real de lo que está sucediendo en el volcán, si esto es similar o no a erupciones anteriores, y debería estar preocupado por eso», dice.
Para crear dicho modelo, el equipo utilizó datos sísmicos capturados del volcán White Island, a solo un kilómetro de los respiraderos principales, desde enero de 2011 hasta enero de 2020. Los datos se procesaron para extraer señales provenientes de ciertas profundidades que son relevantes para predecir una erupción. Durante ese período de tiempo, el volcán había entrado en erupción cinco veces, las señales que preceden a cada erupción se utilizaron para entrenar un modelo de aprendizaje automático llamado Random Forest, para ver si podía detectar algún patrón de actividad que fuera similar en las erupciones.
El modelo se entrenó con datos relacionados con cuatro erupciones y luego se probó en la quinta; fue capaz de «predecir» cuatro de las cinco erupciones, que eran de naturaleza similar, al reconocer un estallido de energía sísmica de cuatro horas de duración que se producía días u horas antes de cada erupción. Dempsey cree que eso representa la presión que comienza a acumularse dentro del volcán antes de una erupción. «Es algo que el modelo de aprendizaje automático reconoce por sí mismo», dice.
Cuando el modelo hace una predicción, también proporciona un grado de sospecha que va de 0 a 100, dependiendo de qué tan seguro esté de que habrá una erupción. Uno de los desafíos para Dempsey y su equipo fue decidir el umbral del grado de sospecha que desencadenaría una alerta, si se desplegara para monitorear un volcán. El equipo decidió un valor de 80, lo que significa que hay una probabilidad de 1 en 12 de que ocurra una erupción durante una alerta. Con este umbral, el modelo habría podido predecir la erupción fatal de 2019 unas 17 horas antes.
El equipo ha estado probando su sistema de alerta desde febrero de 2020, obteniendo constantemente los últimos datos de las estaciones sísmicas en White Island. Si las predicciones alcanzan un valor alto, envía correos electrónicos a las personas que monitorean el volcán.
Dempsey y sus colegas creen que el rendimiento del modelo se puede mejorar incorporando datos sísmicos de otras estaciones en la isla, lo que podría ayudar a identificar dónde exactamente debajo del volcán hay mucha actividad. El equipo también está desarrollando un filtro que puede separar las señales de terremotos, ya que a menudo interfieren con los datos sísmicos de un volcán, incluso cuando un terremoto está a una distancia de hasta 100 kilómetros.
Otro equipo utilizó el aprendizaje automático para tratar de descubrir patrones sísmicos relacionados con las erupciones en Piton de la Fournaise en la isla Reunión en el Océano Índico, uno de los volcanes más activos del mundo. Christopher Ren, investigador del Laboratorio Nacional de Los Alamos en Nuevo México, y sus colegas se enfocaron en el temblor volcánico, una señal sísmica continua que ocurre típicamente cuando un volcán está en estado eruptivo. A medida que el magma, o roca fundida, comienza a llenar la cámara hueca dentro de un volcán, emite ciertas frecuencias de resonancia relacionadas con el movimiento del magma. «El temblor comenzará lentamente y se acumulará y luego por encima de cierto nivel, es oficialmente cuando está ocurriendo una erupción», dice Ren.
Los algoritmos de aprendizaje automático se entrenaron utilizando datos capturados continuamente durante seis años de una red de sismómetros alrededor del volcán. Un enfoque de aprendizaje supervisado, donde los datos se etiquetaron para resaltar cuándo ocurrieron las erupciones, se utilizó por primera vez para tratar de identificar las diferencias en el temblor volcánico entre los períodos eruptivos y no eruptivos. Luego, se utilizó un método de aprendizaje no supervisado llamado agrupamiento espectral para tratar de determinar similitudes y diferencias entre erupciones, así como las diferentes fases de una erupción.
Ren y su equipo encontraron que el primer modelo podía detectar muy bien los períodos eruptivos, donde los temblores que aprendió a asociar con erupciones estaban en un rango de frecuencia consistente en diferentes eventos. El modelo se probó utilizando parte del conjunto de datos que se retuvo durante el entrenamiento. «Seleccionó con precisión la mayoría de los días eruptivos en la prueba a ciegas a los que no tuvo acceso», dice Ren. «Estaba muy feliz».
El enfoque sin supervisión pudo identificar diferentes fases de una erupción, lo que se confirmó al observar los registros históricos de los tipos de señales que caracterizan cada etapa. También pudo reconocer características particulares de diferentes tipos de erupciones, como un evento inusual en 2015 en el que fluyó una gran cantidad de lava.
Estos modelos podrían desarrollarse más para ayudar a predecir si podría ocurrir una erupción. De manera similar al modelo de Dempsey, generarían cierto grado de sospecha de que una erupción era inminente y tendrían que decidir qué umbral justificaría alertar a las personas cercanas. «Cuando las vidas de las personas están en riesgo, hay muchas decisiones políticas que deben entrar en juego», dice Ren. «Es absolutamente algo en lo que hay que pensar al implementar el algoritmo en una aplicación del mundo real».
A Ren y sus colegas les gustaría incorporar otros tipos de datos en sus modelos, que podrían capturar mejor el comportamiento de un volcán durante una erupción. Una técnica llamada radar interferométrico de apertura sintética, o InSAR, que implica el uso de imágenes de radar de la superficie de la Tierra capturadas por satélites, podría ayudar a detectar pequeñas deformaciones (a menudo de unos pocos centímetros de largo o menos) en la superficie de un volcán. Pequeñas cantidades de hinchazón o agrietamiento, por ejemplo, se relacionan con cambios dentro de un volcán, como el movimiento del magma, que puede estar relacionado con erupciones.
Ren está particularmente interesado en usar InSAR para ver si puede detectar los primeros signos de una erupción. Por lo general, un volcán se expande antes de una erupción, pero el inicio de tal inflación es difícil de identificar solo a partir de señales sísmicas, debido al ruido. «Sería realmente interesante ver si hay alguna señal asociada con los inicios de la inflación», dice Ren. «Vamos a ver si podemos fusionar información de datos sísmicos e imágenes de satélite para caracterizar el volcán aún mejor».
Sandrine Ceurstemont es un escritor científico independiente con sede en Londres, Reino Unido.
entradas no encontradas